融合多因素的短时交通流预测研究
Computer Engineering and Applications（2022）
摘要
交通流预测一直是交通领域的研究热点,针对现有交通流预测研究大多为常态下的预测,而未考虑天气、节假日等外部因素的影响,提出了一种融合多因素的短时交通流预测模型.通过长短时记忆网络(long short-term memory,LSTM)捕捉时间序列的长期依赖关系,引入注意力机制,利用注意力机制自适应地选择相应的驱动序列,实现短时交通流的预测.实验分别与传统模型、未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比分析,结果证明所提出的CLA模型具有较高的预测准确度,是一种较好的预测方法.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要